Bakit Dapat Mong Isipin Ang AI Bilang Isang Team Sport

Ano ang ibig sabihin ng isipin ang AI bilang isang team sport? Nakikita namin ang paglilipat ng mga proyekto ng AI mula sa hype patungo sa epekto, higit sa lahat dahil ang mga tamang tungkulin ay nasasangkot upang maibigay ang konteksto ng negosyo na nawawala dati. Ang kadalubhasaan sa domain ay susi; ang mga machine ay walang lalim ng konteksto na mayroon ang mga tao, at kailangang malaman ng mga tao ang negosyo at data nang sapat upang maunawaan kung aling mga aksyon ang gagawin batay sa anumang mga insight o rekomendasyon na lumalabas.

Pagdating sa pag-scale ng AI, iniisip ng maraming lider na mayroon silang problema sa mga tao—partikular, hindi sapat ang data scientist. Ngunit hindi lahat ng problema sa negosyo ay isang problema sa data science. O hindi bababa sa, hindi lahat ng hamon sa negosyo ay dapat ihagis sa iyong pangkat ng agham ng data. Gamit ang tamang diskarte, maaari mong anihin ang mga benepisyo ng AI nang walang mga hamon na kasama ng tradisyonal na mga siklo ng agham ng data.

Para i-deploy at sukatin ang mga solusyon sa AI, kailangang baguhin ng mga lider ang mindset ng organisasyon para isipin ang AI bilang isang team sport. Ang ilang proyekto ng AI ay nangangailangan ng ibang hanay ng mga tao, tool, at inaasahan para sa hitsura ng matagumpay na mga resulta. Ang pag-alam kung paano kilalanin ang mga pagkakataong ito ay makakatulong sa iyong lapitan ang mas matagumpay na mga proyekto ng AI at palalimin ang iyong hanay ng mga user ng AI, na nagdaragdag ng bilis at lakas sa paggawa ng desisyon sa buong workforce. Tuklasin natin kung bakit at paano.

Ginagawa ng mga organisasyon ang advanced na pagsusuri gamit ang AI

Ang paggamit ng AI upang malutas ang mga problema sa negosyo ay higit sa lahat ay naging saklaw ng mga data scientist. Kadalasan, ang mga pangkat ng data science ay nakalaan para sa pinakamalalaking pagkakataon at pinakamasalimuot na hamon ng isang organisasyon. Maraming organisasyon ang naging matagumpay sa paglalapat ng agham ng data sa mga partikular na kaso ng paggamit tulad ng pagtuklas ng panloloko, pag-personalize, at higit pa, kung saan ang malalim na teknikal na kadalubhasaan at pinong-pinong mga modelo ay nagdudulot ng napakalaking matagumpay na resulta.

Gayunpaman, ang pag-scale ng mga solusyon sa AI sa pamamagitan ng iyong data science team ay mahirap para sa mga organisasyon, sa maraming dahilan. Ang pag-akit at pagpapanatili ng talento ay napakamahal at maaaring mahirap sa isang mapagkumpitensyang merkado. Ang mga tradisyunal na proyekto sa agham ng data ay kadalasang maaaring tumagal ng maraming oras upang bumuo at mag-deploy bago makita ng negosyo ang halaga. At kahit na ang pinaka may karanasan, matatag na data science team ay maaaring mabigo kung kulang sila ng kinakailangang data o konteksto upang maunawaan ang mga nuances ng problemang hinihiling sa kanila na lutasin.

Ang 2021 Gartner® Ang Estado ng Data Science at Machine Learning (DSML) ulat ay nagsasaad na "ang demand ng kliyente ay nagbabago, na may hindi gaanong teknikal na mga madla na gustong mag-apply ng DSML nang mas madali, ang mga eksperto ay nangangailangan na mapabuti ang pagiging produktibo at mga negosyo na nangangailangan ng mas maikling oras upang bigyang halaga ang kanilang mga pamumuhunan¹.” Bagama't maaaring maraming problema sa negosyo na maaaring makinabang mula sa bilis o kumpleto ng pagsusuri na maibibigay ng AI, maaaring hindi palaging ang isang tradisyonal na diskarte sa agham ng data ang pinakamahusay na plano ng pag-atake upang mabilis na makita ang halaga. Sa katunayan, ang parehong ulat ng Gartner ay hinuhulaan na "sa 2025, isang kakulangan ng data scientist ay hindi na hahadlang sa pag-aampon ng data science at machine learning sa mga organisasyon."

Ang kadalubhasaan sa domain ay mahalaga para sa pag-scale ng AI sa buong negosyo

Tumutulong na ang AI na magdala ng mga advanced na kakayahan sa pagsusuri sa mga user na walang background sa agham ng data. Maaaring pumili ang mga makina mula sa pinakamahusay na mga modelo at algorithm sa pagtataya, at maaaring malantad ang mga pinagbabatayan na modelo, na nag-aalok ng kakayahang ibagay ang mga ito at tiyaking tumutugma ang lahat sa hinahanap ng user.

Ang mga kakayahang ito ay nagbibigay sa mga analyst at dalubhasang eksperto sa domain ng negosyo ng kakayahang magdisenyo at gumamit ng sarili nilang mga AI application. Dahil mas malapit sa data, ang mga user na ito ay may kalamangan sa marami sa kanilang mga katapat na data scientist. Ang paglalagay ng kapangyarihang ito sa mga kamay ng mga may kadalubhasaan sa domain ay maaaring makatulong na maiwasan ang mahabang panahon ng pag-develop, mga pasanin sa mapagkukunan, at mga nakatagong gastos na nauugnay sa tradisyonal na mga siklo ng agham ng data. Dagdag pa, ang mga taong may kadalubhasaan sa domain ang dapat na magpasya kung kapaki-pakinabang ba o hindi ang isang hula o mungkahi ng AI.

Sa pamamagitan ng mas umuulit, rebisahin-at-redeploy na mga proseso ng pagbuo ng modelo, ang mga taong may konteksto ng negosyo ay makakakuha ng halaga mula sa AI nang mas mabilis—kahit na ang pagde-deploy ng mga bagong modelo sa libu-libong user sa loob ng mga araw hanggang linggo, sa halip na mga linggo hanggang buwan. Ito ay partikular na makapangyarihan para sa mga koponan na ang mga natatanging hamon ay maaaring hindi isang mataas na priyoridad para sa mga pangkat ng agham ng data, ngunit maaaring makinabang mula sa bilis at pagiging ganap ng pagsusuri ng AI.

Gayunpaman, mahalagang tandaan na habang makakatulong ang mga solusyong ito na matugunan ang agwat ng mga kasanayan sa pagitan ng mga analyst at data scientist, hindi ito kapalit ng huli. Ang mga data scientist ay nananatiling kritikal na kasosyo sa mga eksperto sa negosyo upang patunayan ang data na ginagamit sa mga solusyon na pinagana ng AI. At bilang karagdagan sa pakikipagtulungang ito, ang mga kasanayan sa edukasyon at data ay magiging kritikal sa paggamit ng mga ganitong uri ng mga tool nang matagumpay sa sukat.

Ang data literacy ay nagbibigay kapangyarihan sa mas maraming tao na gamitin ang AI

Malaki ang papel ng iyong batayan na diskarte sa data sa pag-set up ng iyong organisasyon para sa tagumpay sa AI, ngunit ang pagdadala ng mga solusyon sa AI sa mas maraming tao sa buong negosyo ay mangangailangan ng baseline ng data literacy. Ang pag-unawa sa kung anong data ang naaangkop na ilapat sa isang problema sa negosyo, pati na rin kung paano bigyang-kahulugan ang data at mga resulta ng isang rekomendasyon ng AI ay makakatulong sa mga tao na matagumpay na magtiwala at magpatibay ng AI bilang bahagi ng kanilang paggawa ng desisyon. Ang isang nakabahaging wika ng data sa loob ng organisasyon ay nagbubukas din ng higit pang mga pintuan para sa matagumpay na pakikipagtulungan sa mga eksperto.

Ang pinakahuling pandaigdigang survey ng McKinsey sa AI ay nagsiwalat na sa loob ng 34% ng mga organisasyong may mataas na pagganap, "isang nakatuong sentro ng pagsasanay ang nagpapaunlad ng mga kasanayan sa AI ng hindi teknikal na mga tauhan sa pamamagitan ng pag-aaral," kumpara sa 14% lamang ng lahat ng iba pang na-survey. Bukod pa rito, sa 39% ng mga organisasyong may mahusay na pagganap ay “may mga itinalagang channel ng mga komunikasyon at touchpoint sa pagitan ng mga user ng AI at ng data science team ng organisasyon,” kumpara sa 20% lang ng iba.

Ang mga pinuno ay maaaring gumawa ng iba't ibang mga diskarte upang bumuo ng data literacy, mula sa edukasyon at pagsasanay, mga programa ng mentorship, mga paligsahan sa data sa pagbuo ng komunidad, at higit pa. Pag-isipang gawing normal ang pag-access at pagbabahagi ng data, pati na rin kung paano mo ipagdiwang at i-promote ang mga tagumpay, natutunan, at paggawa ng desisyon gamit ang data.

"Ang data literacy at edukasyon tungkol sa visualization at data science ay kailangang maging mas laganap, at ituro nang mas maaga," sabi ni Vidya Setlur, pinuno ng Tableau Research. "May isang uri ng responsibilidad sa lipunan at organisasyon na kasama ng pag-asa sa paggamit ng data. Ang mga tao ay dapat na mas mahusay na nasangkapan upang maunawaan, bigyang-kahulugan, at sulitin ang data dahil ang AI ay magiging mas sopistikado lamang, at dapat tayong maunahan ng ilang hakbang sa laro."

Ang patuloy na pagbuo ng kultura ng data ng iyong organisasyon ay lumilikha ng mga mahuhusay na pagkakataon upang mapangalagaan ang mga kasanayan at magsulong ng mga bagong solusyon sa buong negosyo. Maraming organisasyon ang nagpataas ng kanilang mga pamumuhunan sa data at analytics sa mga nakalipas na taon, dahil bumilis ang digital transformation. Hindi abot-kamay na isipin ang data bilang isang team sport—at ngayon ay mayroon na kaming paraan para i-extend ang mindset na iyon sa AI.